LBNL guida il progetto di archiviazione e visualizzazione dei dati quantistici - Analisi delle notizie sull'informatica ad alte prestazioni | all'interno dell'HPC

Il Lawrence Berkeley National Laboratory ha annunciato che ricercatori di laboratori nazionali e universitari hanno recentemente pubblicato due documenti che introducono nuovi metodi di archiviazione e analisi dei dati per rendere l'informatica quantistica più pratica ed esplorano come la visualizzazione aiuta a comprendere l'informatica quantistica.

“Questo lavoro rappresenta passi da gigante nella comprensione e nello sfruttamento degli attuali dispositivi quantistici per la codifica, l’elaborazione e la visualizzazione dei dati”, ha affermato Talita Perciano, ricercatrice presso la Divisione dati scientifici del Lawrence Berkeley National Laboratory e leader di questo sforzo.

“Questi contributi si basano sui nostri precedenti sforzi per evidenziare l’esplorazione continua e il potenziale delle tecnologie quantistiche nel dare forma all’analisi e alla visualizzazione dei dati scientifici. La realizzazione di questi progetti sottolinea il ruolo vitale del lavoro di squadra, poiché ogni membro ha portato la propria competenza e prospettiva uniche. Questa collaborazione è una testimonianza del fatto che nel regno quantistico, come in molti aspetti della vita, il progresso non riguarda solo i risultati individuali, ma lo sforzo collettivo del team e la visione condivisa”.

Secondo un articolo sul sito LBNL di Carol Pott, tra i contributori a questo progetto - insieme a Perciano - ci sono ricercatori della Divisione Dati Scientifici, della Divisione di Matematica Applicata e Ricerca Computazionale e del Centro Nazionale di Calcolo Scientifico per la Ricerca Energetica (NERSC), in collaborazione con team di San Francisco State University (SFSU) e Case Western Reserve University.

Bilanciamento tra classico e quantistico

La collaborazione: (riga in alto, da sinistra a destra) Talita Perciano, Jan Balewski, Daan Camps. (Fila in basso, da sinistra a destra) Roel Van Beeumen, Mercy G. Amankwah, E. Wes Bethel

L'attenzione del team sulla codifica dei dati classici da utilizzare da parte degli algoritmi quantistici è un trampolino di lancio verso il progresso nello sfruttamento dei metodi QIST (Quantum Information Science and Technology) come parte della grafica e della visualizzazione, entrambi storicamente costosi dal punto di vista computazionale. “Trovare il giusto equilibrio tra le capacità di QIST e l’informatica classica è una grande sfida di ricerca. Da un lato, i sistemi quantistici possono gestire problemi esponenzialmente più grandi man mano che aggiungiamo più qubit. D’altro canto, i sistemi classici e le piattaforme HPC vantano decenni di solida ricerca e infrastruttura, ma raggiungono i limiti tecnologici in termini di scalabilità”, ha affermato Bethel. “Un percorso probabile è l’idea del calcolo ibrido classico-quantistico, che unisce CPU classiche con unità di elaborazione quantistica (QPU). Questo approccio combina il meglio di entrambi i mondi, offrendo interessanti possibilità per specifiche applicazioni scientifiche”.

Il primo documento, recentemente pubblicato su Nature Scientific Reports, esplora come codificare e archiviare i dati classici nei sistemi quantistici per migliorare le capacità analitiche e copre i due nuovi metodi e il loro funzionamento. QCrank funziona codificando insiemi di numeri reali in rotazioni continue di qubit selezionati, consentendo la rappresentazione di più dati utilizzando meno spazio. QBArt, d'altra parte, rappresenta direttamente i dati binari come una serie di zeri e uno mappati su stati puri di zero e un qubit, rendendo più semplice l'esecuzione di calcoli sui dati.

Nel secondo articolo, il team ha approfondito l'interazione tra visualizzazione e calcolo quantistico, mostrando come la visualizzazione abbia contribuito al calcolo quantistico consentendo la rappresentazione grafica di stati quantistici complessi ed esplorando i potenziali vantaggi e le sfide dell'integrazione del calcolo quantistico nel regno dell'esplorazione e dell'analisi dei dati visivi . Nell'esplorazione scientifica, la visualizzazione consente ai ricercatori di esplorare l'ignoto e di "vedere l'invisibile", trasferendo efficacemente informazioni astratte in immagini facilmente comprensibili.

Il team ha testato i propri metodi sull’hardware quantistico NISQ utilizzando diversi tipi di attività di elaborazione dei dati, come la corrispondenza di modelli nel DNA, il calcolo della distanza tra sequenze di numeri interi, la manipolazione di una sequenza di numeri complessi e la scrittura e il recupero di immagini composte da pixel binari. Il team ha eseguito questi test utilizzando un processore quantistico chiamato Quantinuum H1-1, nonché altri processori quantistici disponibili tramite IBMQ e IonQ. Spesso, gli algoritmi quantistici che elaborano campioni di dati di grandi dimensioni come un singolo circuito su dispositivi NISQ hanno prestazioni molto scarse o producono risultati completamente casuali. Gli autori hanno dimostrato che i loro nuovi metodi hanno ottenuto risultati straordinariamente accurati utilizzando tale hardware.

Gestione della codifica dei dati e della diafonia

Quando si progettano e implementano algoritmi quantistici che elaborano dati classici, si pone una sfida significativa nota come problema di codifica dei dati, ovvero come convertire i dati classici in una forma con cui un computer quantistico possa funzionare. Durante il processo di codifica, esiste un compromesso tra l’utilizzo efficiente delle risorse quantistiche e il mantenimento della complessità computazionale degli algoritmi sufficientemente semplice da gestire.

“L’attenzione si è concentrata sul bilanciamento degli attuali vincoli dell’hardware quantistico. Alcuni metodi di codifica matematicamente solidi utilizzano così tanti passaggi, o porte quantistiche, che il sistema quantistico perde l’informazione iniziale prima ancora di raggiungere la porta finale. Ciò non lascia alcuna possibilità di calcolare correttamente i dati codificati”, ha affermato Jan Balewski, consulente del NERSC e primo autore del documento di Scientific Reports. "Per risolvere questo problema, abbiamo ideato lo schema di suddividere una lunga sequenza in molti flussi di codifica paralleli."

Sfortunatamente, questo metodo ha portato ad un nuovo problema, la diafonia tra i flussi, che ha distorto le informazioni memorizzate. “È come cercare di ascoltare più conversazioni in una stanza affollata; quando si sovrappongono, comprendere ciascun messaggio diventa difficile. Nei sistemi di dati, la diafonia distorce le informazioni, rendendo le informazioni meno accurate”, ha affermato Balewski. “Abbiamo affrontato il crosstalk in due modi: per QCrank abbiamo introdotto una fase di calibrazione; per QBArt abbiamo semplificato il linguaggio utilizzato nei messaggi. Ridurre il numero di token utilizzati è come passare dall’alfabeto latino al codice Morse – più lento da inviare ma meno affetto da distorsioni”.

Questa ricerca introduce due progressi significativi, rendendo più pratica la codifica e l’analisi dei dati quantistici. Innanzitutto, i circuiti di rotazione parallela uniformemente controllata (pUCR) riducono drasticamente la complessità dei circuiti quantistici rispetto ai metodi precedenti. Questi circuiti consentono il verificarsi simultaneo di più operazioni, rendendoli adatti ai processori quantistici, come il dispositivo H1-1 di Quantinuum, con elevata connettività e supporto per l'esecuzione di porte parallele. In secondo luogo, lo studio introduce QCrank e QBArt, le due tecniche di codifica dei dati che utilizzano circuiti pUCR: QCrank codifica dati reali continui come angoli di rotazione e QBArt codifica dati interi in forma binaria. La ricerca presenta anche una serie di esperimenti condotti utilizzando processori quantistici IonQ e IBMQ, dimostrando il successo della codifica e dell’analisi dei dati quantistici su una scala più ampia rispetto a quanto ottenuto in precedenza. Questi esperimenti incorporano anche nuove strategie di mitigazione degli errori per correggere i risultati hardware rumorosi, migliorando l'affidabilità dei calcoli.

Gli esperimenti condotti con QCrank mostrano risultati promettenti, codificando e recuperando con successo 384 pixel in bianco e nero su 12 qubit con un elevato livello di precisione nel recupero delle informazioni (Figura 1). In particolare, questa immagine rappresenta l’immagine più grande mai codificata con successo su un dispositivo quantistico, segnando un risultato rivoluzionario. Archiviare la stessa immagine su un computer classico richiederebbe 384 bit, il che lo renderebbe 30 volte meno efficiente rispetto a un computer quantistico. Poiché la capacità del sistema quantistico cresce esponenzialmente con il numero di qubit, solo 35 qubit su un computer quantistico ideale potrebbero, ad esempio, contenere tutti i 150 gigabyte di informazioni sul DNA presenti nel genoma umano.

Gli esperimenti condotti con QBArt hanno dimostrato la sua notevole abilità nella codifica e nell'elaborazione di diverse sequenze di dati, da intricate sequenze di DNA (Figura 2) a numeri complessi, con una fedeltà quasi perfetta. Inoltre, lo studio approfondisce la valutazione delle prestazioni di diversi processori quantistici nella codifica di dati binari, svelando le eccezionali capacità dei processori basati su trappola ionica per attività che si basano sui circuiti pUCR. Questi risultati non solo pongono le basi per indagini più approfondite sulle applicazioni di circuiti compatti e paralleli attraverso diversi algoritmi quantistici e algoritmi ibridi quantistici-classici; aprono inoltre la strada a entusiasmanti progressi nelle future attività di apprendimento automatico quantistico e di elaborazione dei dati.

“Navigando in prima linea nell’informatica quantistica, il nostro team, stimolato dai talenti emergenti, sta esplorando i progressi teorici sfruttando i nostri metodi di codifica dei dati per affrontare un’ampia gamma di attività di analisi. Questi nuovi approcci promettono di sbloccare capacità analitiche su una scala mai vista prima con i dispositivi NISQ”, ha affermato Perciano. “Sfruttando sia l’HPC che l’hardware quantistico, miriamo ad espandere gli orizzonti della ricerca sull’informatica quantistica, immaginando come il quantistico possa rivoluzionare i metodi di risoluzione dei problemi in vari domini scientifici. Con l’evoluzione dell’hardware quantistico, tutti noi del team di ricerca crediamo nel suo potenziale di praticità e utilità come potente strumento per l’analisi e la visualizzazione di dati scientifici su larga scala”.

Con il recente appello a creare e formare una forza lavoro quantistica, molte organizzazioni, tra cui il Dipartimento dell’Energia degli Stati Uniti (DOE), sono alla ricerca di modi per contribuire a far avanzare la ricerca e sviluppare nuovi algoritmi, sistemi e ambienti software per QIST. A tal fine, la continua collaborazione di Berkeley Lab con SFSU, un'istituzione al servizio delle minoranze, sfrutta gli sforzi del laboratorio in QIST ed espande i programmi di studio esistenti di SFSU per includere nuovi corsi e opportunità di formazione incentrati su QIST. Ex scienziato informatico senior del Berkeley Lab, il professore associato della SFSU Wes Bethel ha guidato l'incarico di produrre una nuova generazione di studenti laureati del master in scienze informatiche della SFSU, molti dei quali provenienti da gruppi sottorappresentati, con tesi incentrate su argomenti QIST.

Mercy Amankwah, un dottorato di ricerca. studentessa della Case Western University, fa parte di questa collaborazione da giugno 2021, dedicando ogni anno 12 settimane delle sue vacanze estive per partecipare al programma Sustainable Research Pathways, una partnership tra Berkeley Lab e il Sustainable Horizons Institute. Amankwah ha sfruttato la sua esperienza nell'algebra lineare per innovare la progettazione e la manipolazione dei circuiti quantistici per raggiungere l'efficienza sperata dal team in due nuovi metodi, QCrank e ABArt. I metodi utilizzano le tecniche innovative del team per codificare i dati per i computer quantistici. "Il lavoro che stiamo facendo è davvero affascinante", ha detto Amankwah. “È un viaggio che ci spinge costantemente a contemplare le prossime grandi scoperte. Non vedo l'ora di dare contributi più incisivi a questo campo mentre entro nel mio post-dottorato. avventura professionale”.

Questa ricerca è stata supportata dalla ricerca esplorativa per le scienze su scala estrema dell'Office of Advanced Scientific Computing Research (ASCR) del Dipartimento dell'Energia degli Stati Uniti (DOE), dal Sustainable Horizons Institute e dal programma di ricerca e sviluppo diretto dal laboratorio di Berkeley Lab e ha utilizzato le risorse informatiche del NERSC e l'Oak Ridge Leadership Computing Facility.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://insidehpc.com/2024/04/lbnl-leads-quantum-data-storage-visualization-project/